基于XGBOOST时间序列预测Python程序_xgboost多变量预测

 

基于XGBOOST预测模型

 

特色：1、单变量，多变量输入，自由切换 

           2、单步预测，多步预测，自动切换

           3、基于Pytorch架构

           4、多个评估指标（MAE,MSE,R2,MAPE等）

           5、数据从excel文件中读取，更换简单

           6、标准框架，数据分为训练集、验证集，测试集

 

 

 全部完整的代码，保证可以运行的代码看这里。

http://t.csdnimg.cn/El450

 

  ！！！如果第一个链接打不开，请点击个人首页，查看我的个人介绍。

（搜索到的产品后，点头像，就能看到全部代码）

黑科技小土豆的博客_CSDN博客-深度学习,32单片机领域博主

 

 

XGBOOST（eXtreme Gradient Boosting）是一种梯度提升决策树（Gradient Boosting Decision Tree, GBDT）算法的优化实现。XGBOOST 在 GBDT 的基础上，引入了多种优化策略，可以更快、更准确地训练模型，同时提高模型的泛化能力。XGBOOST 是一种强大的，可扩展的机器学习模型，广泛应用于各种数据挖掘和机器学习任务中。

XGBOOST 模型的优点包括：

1. XGBOOST 在 GBDT 的基础上，引入了数据块并行计算、离散化并行计算、直方图优化等多种优化策略，大幅提高了训练速度和模型效果。
2. XGBOOST 支持并行处理和分布式计算，适用于处理大规模的数据集和高维度特征。

因此，XGBOOST 模型是一种适用于分类和回归问题的强有力模型，在诸如广告搜索、推荐系统、金融风控等领域具有广泛的应用。

 

train_ratio = 0.7  # 训练集比例
val_ratio = 0.15  # 验证集比例
test_ratio = 0.15  # 测试集比例
input_length = 48  # 输入数据长度，多步预测建议长，单步预测建议短
output_length = 1  # 输出数据长度，1为单步预测，1以上为多步预测 请注意，随着输出长度的增长，模型训练时间呈指数级增长
learning_rate = 0.1  # 学习率
estimators = 100  # 迭代次数
max_depth = 5  # 树模型的最大深度
interval_length = 2000  # 预测数据长度，最长不可以超过总数据条数
scalar = True  # 是否使用归一化
scalar_contain_labels = True  # 归一化过程是否包含目标值的历史数据
target_value = 'load'  # 需要预测的列名，可以在excel中查看